[發(fā)明專(zhuān)利]乳腺鉬靶圖像中微鈣化簇的檢測(cè)方法、裝置和電子設(shè)備

有效

• 申請(qǐng)?zhí)枺?/td>: 202010098468.4
• 申請(qǐng)日: 2020-02-18
• 公開(kāi)（公告）號(hào): CN111325266B
• 公開(kāi)（公告）日: 2023-07-21
• 發(fā)明（設(shè)計(jì)）人: 柴象飛;張凡;郭娜;左盼莉
• 申請(qǐng)（專(zhuān)利權(quán)）人: 慧影醫(yī)療科技(北京)股份有限公司
• 主分類(lèi)號(hào): G06V10/764
• 分類(lèi)號(hào): G06V10/764;G06V10/762;G06V10/40;G06T3/40
• 代理公司: 北京輕創(chuàng)知識(shí)產(chǎn)權(quán)代理有限公司 11212
• 代理人: 楊立

本申請(qǐng)實(shí)施例提供了一種乳腺鉬靶圖像中微鈣化簇的檢測(cè)方法、裝置和電子設(shè)備，涉及醫(yī)學(xué)影像技術(shù)領(lǐng)域。該方法首先對(duì)待檢測(cè)乳腺鉬靶圖像分塊處理，在得到多個(gè)待檢測(cè)乳腺鉬靶圖像塊后分別對(duì)其進(jìn)行特征提取，然后再對(duì)包含微鈣化點(diǎn)的第一特征圖像塊進(jìn)行分割處理，接著將分割處理后第一特征圖像塊的與不包含微鈣化點(diǎn)的第二特征圖像塊拼接成完整的圖像，最后對(duì)微鈣化點(diǎn)進(jìn)行聚類(lèi)處理，獲得微鈣化簇，并基于預(yù)先建立的分類(lèi)模型，對(duì)包含至少一個(gè)微鈣化簇的待檢測(cè)乳腺特征圖像進(jìn)行分類(lèi)，以確定待檢測(cè)乳腺鉬靶圖像的類(lèi)別，以提高微鈣化的圖像占比，降低微鈣化點(diǎn)分割的難度，提高后續(xù)分析的準(zhǔn)確性。

技術(shù)領(lǐng)域

本申請(qǐng)涉及醫(yī)學(xué)影像技術(shù)領(lǐng)域，具體而言，涉及一種乳腺鉬靶圖像中微鈣化簇的檢測(cè)方法、裝置和電子設(shè)備。

背景技術(shù)

乳腺癌是女性發(fā)病率第一的惡性腫瘤，若早期發(fā)現(xiàn)，則能夠使得病人得到及時(shí)有效的治療。微鈣化是乳腺癌重要的早期征象，而乳腺鉬靶是檢測(cè)微鈣化最有效的方式。但由于圖像噪聲或者乳腺內(nèi)部的組織重疊導(dǎo)致病灶特征不明顯，通常微鈣化的形態(tài)較小，形狀和分布差異較大，降低了微鈣化的顯著性，進(jìn)而影響了后續(xù)分析的準(zhǔn)確性。

發(fā)明內(nèi)容

有鑒于此，本申請(qǐng)?zhí)峁┝艘环N乳腺鉬靶圖像中微鈣化簇的檢測(cè)方法、裝置和電子設(shè)備，以解決上述問(wèn)題。

本申請(qǐng)的實(shí)施例可以這樣實(shí)現(xiàn)：

第一方面，實(shí)施例提供一種乳腺鉬靶圖像中微鈣化簇的檢測(cè)方法，所述方法包括：

對(duì)待檢測(cè)乳腺鉬靶圖像進(jìn)行預(yù)處理，獲得多個(gè)待檢測(cè)乳腺鉬靶圖像塊；

基于預(yù)先建立的模型，對(duì)各所述待檢測(cè)乳腺鉬靶圖像塊進(jìn)行特征提取及分類(lèi)處理，若得到至少一個(gè)包含微鈣化點(diǎn)的第一特征圖像塊及至少一個(gè)不包含微鈣化點(diǎn)的第二特征圖像塊，則基于預(yù)先建立的分割模型，對(duì)每個(gè)所述第一特征圖像塊進(jìn)行分割處理，得到分割處理后的第一特征圖像塊；

將得到的所有分割處理后的第一特征圖像塊與所有所述第二特征圖像塊拼接，獲得所述待檢測(cè)乳腺鉬靶圖像對(duì)應(yīng)的待檢測(cè)乳腺特征圖像；

對(duì)所述待檢測(cè)乳腺特征圖像中的微鈣化點(diǎn)進(jìn)行聚類(lèi)處理，得到包含至少一個(gè)微鈣化簇的待檢測(cè)乳腺特征圖像；

基于預(yù)先建立的第一分類(lèi)模型，對(duì)包含至少一個(gè)微鈣化簇的待檢測(cè)乳腺特征圖像進(jìn)行分類(lèi)，以確定所述待檢測(cè)乳腺鉬靶圖像的類(lèi)別。

在可選的實(shí)施方式中，所述對(duì)待檢測(cè)乳腺鉬靶圖像進(jìn)行預(yù)處理，獲得多個(gè)待檢測(cè)乳腺鉬靶圖像塊的步驟包括：

將待檢測(cè)乳腺鉬靶圖像的方向調(diào)整為預(yù)設(shè)方向；

將待檢測(cè)乳腺鉬靶圖像的分辨率調(diào)整為預(yù)設(shè)分辨率；

按照預(yù)設(shè)大小對(duì)調(diào)整方向和分辨率之后的待檢測(cè)乳腺鉬靶圖像進(jìn)行劃分，獲得多個(gè)待檢測(cè)乳腺鉬靶圖像塊。

在可選的實(shí)施方式中，所述對(duì)所述待檢測(cè)乳腺特征圖像中的微鈣化點(diǎn)進(jìn)行聚類(lèi)處理的步驟包括：

計(jì)算所述待檢測(cè)乳腺特征圖像中每個(gè)微鈣化點(diǎn)的噪聲對(duì)比度特征值；

判斷每個(gè)所述微鈣化點(diǎn)的噪聲對(duì)比度特征值是否大于預(yù)設(shè)閾值，若是，則保留所述微鈣化點(diǎn)，若否，則剔除所述微鈣化點(diǎn)；

針對(duì)保留的所有微鈣化點(diǎn)，采用預(yù)設(shè)聚類(lèi)算法對(duì)噪聲對(duì)比度特征值最大的微鈣化點(diǎn)進(jìn)行聚類(lèi)處理，得到包含至少一個(gè)微鈣化簇的待檢測(cè)乳腺特征圖像。

在可選的實(shí)施方式中，所述預(yù)設(shè)聚類(lèi)算法為動(dòng)態(tài)區(qū)域聚類(lèi)算法、k均值聚類(lèi)算法或DBSCAN聚類(lèi)算法。

在可選的實(shí)施方式中，所述基于預(yù)先建立的模型，對(duì)各所述待檢測(cè)乳腺鉬靶圖像塊進(jìn)行特征提取及分類(lèi)處理的步驟包括：

基于預(yù)先建立的特征提取模型，對(duì)各所述待檢測(cè)乳腺鉬靶圖像塊進(jìn)行特征提取；